一种基于时间深度卷积网络的短期负荷预测方法

本发明涉及短期电力负荷预测，具体涉及一种基于时间深度卷积网络的短期负荷预测方法。

背景技术：

1、以新能源为主的新型电力体系建设正在紧迫的进行中，在新的电力系统架构下，可再生能源发电、储能和柔性资源的互动日益频繁。可再生能源和柔性负荷资源的更高渗透率所带来的准确性和可靠性挑战需要重点考虑。短期负荷预测是电网调度的基础工作，在新型电力系统中的作用越来越重要，负荷预测应该为实现电力系统的稳定和高效运行提供准确的结果。为了满足未来的用电需求，电力不能过度大规模生产。

2、在过去几十年中，各种短期负荷预测模型和方法被提出和应用。传统的时间序列预测方法主要分为两种：统计学方法和传统机器学习方法。统计学的经典预测方法主要有自回归移动平均(arma)、自回归总和移动平均模型(arima)、线性回归方法等。对于机器学习方面的短期电力负荷预测，典型方法包括支持向量回归(svr)、模糊线性回归、极限学习机(elm)等。统计学方法能够捕捉时间序列的线性关系。然而，现有的统计学方法并不适用于数据集的特征维度。具有复杂特性和快速动态变化的数据，很难对快速变化的数据进行实时预测和实现合理的降维压缩，且仅依赖于历史负荷数据，无法充分利用额外因素提供的信息，阻碍了预测精度的提高。传统的机器学习方法可以有效地拟合历史数据与外部因素之间隐含的非线性关系，但仍存在一些不足需要克服，如陷入局部最优、依赖人工调参、容易出现过拟合等。

3、如今，基于深度学习的方法被引入，以实现以最小的复杂性进行有效的预测。基于深度学习的模型通过在输入层和输出层之间堆叠隐藏层的数量，可以有效地学习时间序列负荷数据的复杂、非线性和时间依赖性。特别地，循环神经网络能够捕获时间序列数据中的复杂依赖关系。但是，它受到消失梯度和爆炸梯度问题的困扰。针对循环神经模型训练时梯度爆炸和梯度消失的问题，提出了一种以lstm、gru为代表作的门控循环神经网络，通过门控机制来实现对重要历史信息的筛选；虽然门控循环网络被精心设计来记忆时间序列的长期依赖，但是依旧会存在处理过长序列时出现的梯度消失和梯度爆炸的问题。

4、以lstm、gru为代表的循环神经网络能提取空间信息，但是却提取不到空间信息，不能进一步提升时序预测能力。而集成了cnn的并行特征处理和rnn的时域建模能力，tcn在2016年提出，在提取长期时间序列特征方面具有优势，首先tcn可以将句子并行的处理，而不需要像rnn那样顺序的处理。且tcn具有灵活的感受野，tcn的感受野的大小受层数、卷积核大小、扩张系数等决定。可以根据不同的任务不同的特性灵活定制。tcn还具有稳定的梯度，rnn经常存在梯度消失和梯度爆炸的问题，这主要是由不同时间段上共用参数导致的，和传统卷积神经网络一样，tcn不太存在梯度消失和爆炸问题。

技术实现思路

1、本发明的目的是为了针对现有技术所存在的问题，提供一种基于时间深度卷积网络的短期负荷预测方法，在tcn的基础上，提出了时间深度卷积方法，对tcn的结构进行了改进，融合了对纯卷积结构改进后的convnext网络；能够更好的提取数据的时序信息和空间信息，从而更好的保留特征信息，在模型中应用了深度可分离卷积，能够减少模型参数，减少计算量，预测模型具有预测速度快，泛化能力好，预测结果准确度高的优点。

2、为了实现上述目的，本发明采用如下技术方案。

3、一种基于时间深度卷积网络的短期负荷预测方法，包括以下步骤：

4、步骤s1、对原始负荷数据及其特征进行预处理，对于负荷、天气作归一化处理，对季节和节假日作独热编码处理；

5、步骤s2、将预处理后的数据转换为矩阵格式，并按照预设比例划分训练集、验证集和测试集；

6、步骤s3、采用基于时间深度卷积网络对训练集数据提取特征，学习其数据分布及变化规律，构建时间深度卷积网络模型；

7、步骤s4、训练所构建的时间深度卷积网络模型，采用adam算法，根据损失函数对整体网络进行更新，利用划分好的验证集数据对训练好的时间深度卷积网络模型进行验证，判断网络模型是否达到适度拟合状态，若是，则执行步骤s5，否则调整模型训练参数后返回步骤s4重新对网络模型进行训练；

8、步骤s5、利用步骤s4中训练出的最优时间深度卷积网络模型对短期电力负荷进行预测，并通过误差评价指标对比预测结果与真实结果，验证网络模型的预测精度。

9、具体的，步骤s1中，所述归一化处理过程如下：

10、对负荷和天气数据集进行归一化处理，任意选取数据集中某一列数据，按照时间顺序记为x＝{x1,x2,…,xn}，采用max-min归一化处理，使数据映射到0-1之间，处理过程所对应的计算公式为：

11、

12、其中，xmax和xmin分别是该列数据的最大值和最小值，数据集各列数据处理完毕后，得到新的序列记为y＝{y1,y2,…,yn}；

13、所述独热编码处理过程如下：

14、对季节和节假日特征进行独热编码处理，任意选取特征中某一列数据，若特征为春季，则其特征编码为[1,0,0,0]，若其还在节假日中，则节假日编码为[1,0]，若不在节假日中，则为[0,1]。

15、具体的，步骤s2中，在将预处理后的数据转换为矩阵格式时，还需设置批量batchsize的大小，所述批量batch size大小设置为128。

16、具体的，所述时间深度卷积网络模型主体结构包括膨胀因果深度卷积层、层归一化函数、逐点卷积层、高斯误差线性单元、逐点卷积层，并通过残差连接，使模型输入数据和输出数据相加，其结果作为本层最终的输出数据；

17、所述时间深度卷积网络模型的激活函数为高斯误差线性单元，其表达式为：

18、gelu(x)＝x*φ(x)                    (2)

19、其中，φ(x)表示高斯分布的累积概率分布，即在(-∞,x]区间对高斯分布的定积分。

20、更进一步地，上述的时间深度卷积网络是以tcn网络为基础，融合了convnext网络的部分结构，包括：

21、1)将标准卷积替换为深度可分离卷积；

22、2)引入反转残差瓶颈结构，并使用更大的卷积核；

23、3)使用层归一化和高斯误差线性单元gelu，并且将数量由一个模块两个减少为一个。

24、具体的，步骤s5中，所述误差评价指标包括平均绝对百分比误差mape、平均绝对误差mae和均方根误差rmse，其计算公式分别为：

25、

26、

27、

28、其中，表示预测模型第i个样本的训练结果对应的预测值，yi表示预测模型第i个样本的训练结果对应的真实值，n为预测模型中样本的总数。

29、与现有技术相比，本发明具有以下有益效果：

30、本发明在时间卷积网络的基础上，对tcn卷积结构进行改进，融合convnext网络部分结构，通过引入深度可分离卷积，减少网络参数量，通过将深度卷积加入膨胀因果卷积中，能够更好的抓取时间以及空间信息，再通过逐点卷积将所有信息融合；通过引入反转残差瓶颈结构，在逐点卷积进行“先升维后降维”的操作后，能够有效的保留更多的特征信息，能让最后的预测结果更加精确；使用更加适合动态网络和循环神经网络的层归一化，并且层归一化和激活函数在一个模块中只使用一次，能够更好的保留特征信息。